TM-RUGPULL: A Temporary Sound, Multimodal Dataset for Early Detection of RUG Pulls Across the Tokenized Ecosystem
O artigo apresenta o TM-RugPull, um conjunto de dados multimodal rigorosamente curado, composto por 1.028 projetos de tokens, concebido para superar o vazamento de dados e as limitações de modalidades em recursos existentes, estabelecendo assim um novo padrão de referência para a detecção precoce de golpes do tipo rug-pull em todo o ecossistema tokenizado.
Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
Imagine o mundo das criptomoedas como um vasto e movimentado mercado digital. Neste mercado, pessoas criam novos "tokens" (moedas digitais) para vender a investidores. Às vezes, os criadores são honestos e constroem algo valioso. Outras vezes, são golpistas que realizam um "Rug Pull" (um golpe de retirada de tapete).
Pense em um Rug Pull como um operador de jogo de feira que monta uma banca, recolhe o dinheiro de todos e, de repente, arranca o tapete de debaixo dos jogadores e foge com o dinheiro antes que alguém perceba que o jogo era manipulado.
O documento que você compartilhou, TM-RugPull, trata de criar um "manual de treinamento" melhor para computadores identificarem esses golpistas antes que eles fujam. Aqui está a explicação em termos simples:
O Problema: O Manual de Treinamento "Invertido"
Atualmente, as ferramentas que os computadores usam para encontrar golpistas são falhas. É como tentar ensinar um guarda de segurança a identificar um ladrão mostrando-lhe fotos do ladrão depois que ele já roubou o dinheiro e fugiu.
- A Falha: Conjuntos de dados antigos usam pistas que só aparecem após o golpe ser consumado (como o preço despencando ou o dinheiro desaparecendo).
- O Resultado: Computadores treinados com esses dados acham que são ótimos em prever golpes, mas no mundo real falham porque estão procurando pistas que não existem até ser tarde demais. Além disso, eles geralmente analisam apenas um tipo de projeto (DeFi), perdendo golpes em memes, jogos ou tokens de celebridades.
A Solução: O Conjunto de Dados "Viagem no Tempo"
Os autores criaram um novo conjunto de dados chamado TM-RugPull. Eles o projetaram com uma regra estrita de viagem no tempo: "Você só pode olhar para informações disponíveis antes do desastre acontecer."
Veja como eles o construíram:
1. Uma Multidão Diversa (Os 1.000 Projetos)
Em vez de olhar apenas para aplicativos financeiros sérios, eles reuniram 1.000 projetos diferentes. Imagine uma formação que inclui:
- Aplicativos financeiros sérios (DeFi).
- Piadas engraçadas da internet (tokens de meme).
- Arte digital e jogos (NFTs).
- Moedas com marca de celebridades.
Isso garante que o computador aprenda a identificar golpistas em qualquer tipo de projeto digital, não apenas nos sérios.
2. A Regra do "Ponto Médio" (Parando o Vazamento Temporal)
Para garantir que o computador não trapaceie olhando para o futuro, os autores escolheram um "Ponto Médio" específico no tempo para cada projeto.
- A Regra: O computador só pode ver dados da primeira metade da vida do projeto (antes do ponto médio).
- A Verificação: Se o projeto se revelar um golpe mais tarde, o computador é avaliado apenas se poderia tê-lo previsto usando apenas as pistas iniciais. Se o computador usou uma pista que apareceu após o golpe começar, ele é desclassificado. Isso é chamado de prevenir "vazamento temporal".
3. Três Olhos no Mercado (Dados Multimodais)
Para obter uma visão completa, o conjunto de dados analisa os projetos através de três "lentes" diferentes simultaneamente:
- Lente 1: Comportamento On-Chain: Observando o movimento real de dinheiro e tokens na blockchain (como observar a caixa registradora).
- Lente 2: Metadados de Contratos Inteligentes: Lendo as "regras" escritas no próprio código (como ler o texto pequeno de um contrato).
- Lente 3: OSINT (Inteligência de Código Aberto): Verificando redes sociais, pesquisas no Google e notícias (como ouvir os boatos na praça da cidade).
- Por que importa: Frequentemente, as pessoas começam a falar sobre um golpe no Twitter ou no Google antes que o dinheiro desapareça realmente na blockchain. Este conjunto de dados captura esses primeiros sussurros.
4. A Equipe de Detetives Humanos (Rotulagem Manual)
Os autores não deixaram apenas um computador decidir quem é um golpista. Eles usaram uma equipe de especialistas humanos.
- O Processo: Eles observaram projetos por 72 horas após as coisas darem errado. Se a liquidez desapareceu, a atividade parou e o preço congelou, eles o rotularam como um "Rug Pull".
- A Rede de Segurança: Eles verificaram isso duas vezes contra bancos de dados de golpes conhecidos e tiveram dois especialistas concordando com o veredito para garantir que nenhum erro fosse cometido.
O Resultado
O documento apresenta um conjunto de treinamento limpo, honesto e diversificado para IA.
- Possui 1.000 projetos (cerca de 60% golpistas, 40% honestos).
- Abrange 5 blockchains diferentes (como Ethereum e Binance).
- Proíbe estritamente "trapacear" usando informações futuras.
Em resumo: Os autores construíram um "simulador de voo" para guardas de segurança de IA. Em vez de treiná-los com vídeos de acidentes que já aconteceram, eles os treinaram nos sinais pré-acidente para que os guardas possam realmente impedir o avião de cair desde o início. Eles tornaram este simulador e o código para construí-lo disponíveis para uso de todos.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.